支持向量数据描述（SVDD）是构造单类数据描述的分类算法，惩罚参数[C]和核参数[σ]作为影响SVDD分类效果的关键，其合理选取一直是个难点。针对这一问题，提出了一种基于改进磷虾群算法的SVDD参数优化算法（IKH-SVDD）。依据仿真实验，分析参数[C]和[σ]对描述边界的影响；引入磷虾群算法并分析其优劣，通过在随机扩散行为中定义扰动因子，增强算法的全局搜索能力；将一种新的精英选择和保留策略引入迭代过程，提高算法的收敛精度；将改进的磷虾群算法引入SVDD参数优化过程，构建了IKH-SVDD参数优化模型。基于UCI标准数据库进行实验并与其他几种参数优化算法进行比较，结果表明了IKH-SVDD算